Transformers 文档

RT-DETRv2

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

RT-DETRv2

PyTorch

概述

RT-DETRv2 模型由 Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu 在 《RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer》 一文中提出。

RT-DETRv2 通过引入选择性多尺度特征提取、一个用于更广泛部署兼容性的离散采样算子,以及改进的训练策略(如动态数据增强和尺度自适应超参数)来优化 RT-DETR。这些变化在保持实时性能的同时,增强了灵活性和实用性。

论文摘要如下:

在本报告中,我们介绍了 RT-DETRv2,一个改进的实时检测 Transformer (RT-DETR)。RT-DETRv2 建立在先前最先进的实时检测器 RT-DETR 的基础上,并引入了一系列“免费包”(bag-of-freebies)以提高灵活性和实用性,同时优化了训练策略以实现性能提升。为了提高灵活性,我们建议在可变形注意力中为不同尺度的特征设置不同的采样点数,以实现解码器的选择性多尺度特征提取。为了增强实用性,我们提出了一个可选的离散采样算子,以替代与 YOLOs 相比 RT-DETR 特有的 grid_sample 算子。这消除了通常与 DETR 相关的部署限制。对于训练策略,我们提出了动态数据增强和尺度自适应超参数定制,以在不损失速度的情况下提高性能。

该模型由 jadechoghari 贡献。原始代码可在此处找到。

使用技巧

RT-DETR 的第二个版本改进了解码器在图像中查找对象的方式。

  • 更好的采样 – 调整偏移量,使模型关注正确的区域
  • 灵活的注意力 – 可以使用平滑(双线性)或固定(离散)采样
  • 优化的处理 – 改进了注意力权重混合信息的方式
>>> import torch
>>> import requests

>>> from PIL import Image
>>> from transformers import RTDetrV2ForObjectDetection, RTDetrImageProcessor

>>> url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_v2_r18vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/rtdetr_v2_r18vd")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.5)

>>> for result in results:
...     for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
...         score, label = score.item(), label_id.item()
...         box = [round(i, 2) for i in box.tolist()]
...         print(f"{model.config.id2label[label]}: {score:.2f} {box}")
cat: 0.97 [341.14, 25.11, 639.98, 372.89]
cat: 0.96 [12.78, 56.35, 317.67, 471.34]
remote: 0.95 [39.96, 73.12, 175.65, 117.44]
sofa: 0.86 [-0.11, 2.97, 639.89, 473.62]
sofa: 0.82 [-0.12, 1.78, 639.87, 473.52]
remote: 0.79 [333.65, 76.38, 370.69, 187.48]

资源

一系列官方 Hugging Face 和社区(由 🌎 标志指示)资源,帮助您开始使用 RT-DETRv2。

物体检测

RTDetrV2Config

class transformers.RTDetrV2Config

< >

( initializer_range = 0.01 initializer_bias_prior_prob = None layer_norm_eps = 1e-05 batch_norm_eps = 1e-05 backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False freeze_backbone_batch_norms = True backbone_kwargs = None encoder_hidden_dim = 256 encoder_in_channels = [512, 1024, 2048] feat_strides = [8, 16, 32] encoder_layers = 1 encoder_ffn_dim = 1024 encoder_attention_heads = 8 dropout = 0.0 activation_dropout = 0.0 encode_proj_layers = [2] positional_encoding_temperature = 10000 encoder_activation_function = 'gelu' activation_function = 'silu' eval_size = None normalize_before = False hidden_expansion = 1.0 d_model = 256 num_queries = 300 decoder_in_channels = [256, 256, 256] decoder_ffn_dim = 1024 num_feature_levels = 3 decoder_n_points = 4 decoder_layers = 6 decoder_attention_heads = 8 decoder_activation_function = 'relu' attention_dropout = 0.0 num_denoising = 100 label_noise_ratio = 0.5 box_noise_scale = 1.0 learn_initial_query = False anchor_image_size = None with_box_refine = True is_encoder_decoder = True matcher_alpha = 0.25 matcher_gamma = 2.0 matcher_class_cost = 2.0 matcher_bbox_cost = 5.0 matcher_giou_cost = 2.0 use_focal_loss = True auxiliary_loss = True focal_loss_alpha = 0.75 focal_loss_gamma = 2.0 weight_loss_vfl = 1.0 weight_loss_bbox = 5.0 weight_loss_giou = 2.0 eos_coefficient = 0.0001 decoder_n_levels = 3 decoder_offset_scale = 0.5 decoder_method = 'default' **kwargs )

参数

  • initializer_range (float, 可选, 默认为 0.01) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • initializer_bias_prior_prob (float, 可选) — 偏置初始化器用于初始化 enc_score_headclass_embed 偏置的先验概率。如果为 None,则在初始化模型权重时计算为 prior_prob = 1 / (num_labels + 1)
  • layer_norm_eps (float, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。
  • batch_norm_eps (float, 可选, 默认为 1e-05) — 批归一化层使用的 epsilon 值。
  • backbone_config (Dict, 可选, 默认为 RTDetrV2ResNetConfig()) — 主干模型的配置。
  • backbone (str, 可选) — 当 backbone_configNone 时使用的主干名称。如果 use_pretrained_backboneTrue,则会从 timm 或 transformers 库加载相应的预训练权重。如果 use_pretrained_backboneFalse,则会加载主干的配置并用其初始化随机权重的主干。
  • use_pretrained_backbone (bool, 可选, 默认为 False) — 是否为主干使用预训练权重。
  • use_timm_backbone (bool, 可选, 默认为 False) — 是否从 timm 库加载 backbone。如果为 False,则从 transformers 库加载主干。
  • freeze_backbone_batch_norms (bool, 可选, 默认为 True) — 是否冻结主干中的批归一化层。
  • backbone_kwargs (dict, 可选) — 从检查点加载时传递给 AutoBackbone 的关键字参数,例如 {'out_indices': (0, 1, 2, 3)}。如果设置了 backbone_config,则不能指定此参数。
  • encoder_hidden_dim (int, 可选, 默认为 256) — 混合编码器中层的维度。
  • encoder_in_channels (list, 可选, 默认为 [512, 1024, 2048]) — 编码器的多级特征输入。
  • feat_strides (list[int], 可选, 默认为 [8, 16, 32]) — 每个特征图中使用的步幅。
  • encoder_layers (int, 可选, 默认为 1) — 编码器使用的总层数。
  • encoder_ffn_dim (int, 可选, 默认为 1024) — 解码器中“中间”层(通常称为前馈层)的维度。
  • encoder_attention_heads (int, 可选, 默认为 8) — Transformer 编码器中每个注意力层的注意力头数。
  • dropout (float, 可选, 默认为 0.0) — 所有 dropout 层的比率。
  • activation_dropout (float, 可选, 默认为 0.0) — 全连接层内激活函数的 dropout 比率。
  • encode_proj_layers (list[int], 可选, 默认为 [2]) — 编码器中使用的投影层的索引。
  • positional_encoding_temperature (int, 可选, 默认为 10000) — 用于创建位置编码的温度参数。
  • encoder_activation_function (str, 可选, 默认为 "gelu") — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,支持 "gelu""relu""silu""gelu_new"
  • activation_function (str, 可选, 默认为 "silu") — 通用层中的非线性激活函数(函数或字符串)。如果为字符串,支持 "gelu""relu""silu""gelu_new"
  • eval_size (tuple[int, int], 可选) — 用于计算考虑步幅后位置嵌入的有效高度和宽度的尺寸。
  • normalize_before (bool, 可选, 默认为 False) — 决定是否在 transformer 编码器层中的自注意力和前馈模块之前应用层归一化。
  • hidden_expansion (float, 可选, 默认为 1.0) — 用于放大 RepVGGBlock 和 CSPRepLayer 维度尺寸的扩展比率。
  • d_model (int, 可选, 默认为 256) — 除混合编码器外的层的维度。
  • num_queries (int, 可选, 默认为 300) — 对象查询的数量。
  • decoder_in_channels (list, 可选, 默认为 [256, 256, 256]) — 解码器的多级特征维度。
  • decoder_ffn_dim (int, 可选, 默认为 1024) — 解码器中“中间”层(通常称为前馈层)的维度。
  • num_feature_levels (int, 可选, 默认为 3) — 输入特征级别的数量。
  • decoder_n_points (int, 可选, 默认为 4) — 解码器中每个注意力头在每个特征级别上采样的键的数量。
  • decoder_layers (int, 可选, 默认为 6) — 解码器层数。
  • decoder_attention_heads (int, 可选, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数。
  • decoder_activation_function (str, 可选, 默认为 "relu") — 解码器中的非线性激活函数(函数或字符串)。如果为字符串,支持 "gelu""relu""silu""gelu_new"
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • num_denoising (int, 可选, 默认为 100) — 用于对比去噪的总去噪任务或查询数。
  • label_noise_ratio (float, 可选, 默认为 0.5) — 应添加随机噪声的去噪标签的比例。
  • box_noise_scale (float, optional, defaults to 1.0) — 添加到边界框的噪声的尺度或幅度。
  • learn_initial_query (bool, optional, defaults to False) — 指示解码器的初始查询嵌入是否应在训练期间学习。
  • anchor_image_size (tuple[int, int], optional) — 在评估期间用于生成边界框锚点的输入图像的高度和宽度。如果为 None,则应用自动生成锚点。
  • with_box_refine (bool, optional, defaults to True) — 是否应用迭代式边界框优化,其中每个解码器层根据前一层的预测来优化边界框。
  • is_encoder_decoder (bool, optional, defaults to True) — 架构是否具有编码器-解码器结构。
  • matcher_alpha (float, optional, defaults to 0.25) — 匈牙利匹配器使用的参数 alpha。
  • matcher_gamma (float, optional, defaults to 2.0) — 匈牙利匹配器使用的参数 gamma。
  • matcher_class_cost (float, optional, defaults to 2.0) — 匈牙利匹配器使用的类别损失的相对权重。
  • matcher_bbox_cost (float, optional, defaults to 5.0) — 匈牙利匹配器使用的边界框损失的相对权重。
  • matcher_giou_cost (float, optional, defaults to 2.0) — 匈牙利匹配器使用的 giou 损失的相对权重。
  • use_focal_loss (bool, optional, defaults to True) — 指示是否应使用 focal loss 的参数。
  • auxiliary_loss (bool, optional, defaults to True) — 是否使用辅助解码损失(每个解码器层的损失)。
  • focal_loss_alpha (float, optional, defaults to 0.75) — 用于计算 focal loss 的参数 alpha。
  • focal_loss_gamma (float, optional, defaults to 2.0) — 用于计算 focal loss 的参数 gamma。
  • weight_loss_vfl (float, optional, defaults to 1.0) — 目标检测损失中 varifocal loss 的相对权重。
  • weight_loss_bbox (float, optional, defaults to 5.0) — 目标检测损失中 L1 边界框损失的相对权重。
  • weight_loss_giou (float, optional, defaults to 2.0) — 目标检测损失中广义 IoU 损失的相对权重。
  • eos_coefficient (float, optional, defaults to 0.0001) — 目标检测损失中“无目标”类别的相对分类权重。
  • decoder_n_levels (int, optional, defaults to 3) — 解码器使用的特征层级数量。
  • decoder_offset_scale (float, optional, defaults to 0.5) — 应用于解码器中注意力偏移量的缩放因子。
  • decoder_method (str, optional, defaults to "default") — 解码器使用的方法:"default""discrete"

这是用于存储 RTDetrV2Model 配置的配置类。它用于根据指定的参数实例化一个 RT-DETR 模型,定义模型架构。使用默认值实例化配置将产生与 RT-DETR 架构类似的配置。

例如 PekingU/rtdetr_r18vd

配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。

示例

>>> from transformers import RTDetrV2Config, RTDetrV2Model

>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrV2Config()

>>> # Initializing a model (with random weights) from the configuration
>>> model = RTDetrV2Model(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

from_backbone_configs

< >

( backbone_config: PretrainedConfig **kwargs ) RTDetrV2Config

参数

返回

RTDetrV2Config

一个配置对象的实例

从预训练的主干网络模型配置和 DETR 模型配置实例化一个 RTDetrV2Config(或其派生类)。

RTDetrV2Model

class transformers.RTDetrV2Model

< >

( config: RTDetrV2Config )

参数

  • config (RTDetrV2Config) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

RT-DETR 模型(由主干网络和编码器-解码器组成),输出原始的隐藏状态,顶部没有任何 head。

此模型继承自 PreTrainedModel。请查看超类的文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、修剪头部等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[list[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息,请参见 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 来处理图像)。
  • pixel_mask (torch.LongTensor,形状为 (batch_size, height, width), optional) — 用于避免对填充像素值执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示真实的像素(即 未被遮盖),
    • 0 表示填充的像素(即 被遮盖)。

    什么是注意力掩码?

  • encoder_outputs (torch.FloatTensor, optional) — 元组,包含 (last_hidden_state, optional: hidden_states, optional: attentions)。last_hidden_state 的形状为 (batch_size, sequence_length, hidden_size)optional) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。
  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size), optional) — 可选地,你可以选择直接传递图像的扁平化表示,而不是传递扁平化的特征图(主干网络 + 投影层的输出)。
  • decoder_inputs_embeds (torch.FloatTensor,形状为 (batch_size, num_queries, hidden_size), optional) — 可选地,你可以选择直接传递一个嵌入表示,而不是用零张量初始化查询。
  • labels (list[Dict],长度为 (batch_size,), optional) — 用于计算二分匹配损失的标签。由字典组成的列表,每个字典至少包含以下两个键:'class_labels' 和 'boxes'(分别表示批次中图像的类别标签和边界框)。类别标签本身应为长度为 (图像中边界框的数量,)torch.LongTensor,而边界框应为形状为 (图像中边界框的数量, 4)torch.FloatTensor
  • output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutputtuple(torch.FloatTensor)

一个 transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(RTDetrV2Config)和输入,包含各种元素。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, num_queries, hidden_size)) — 模型解码器最后一层输出的隐藏状态序列。

  • intermediate_hidden_states (torch.FloatTensor, 形状为 (batch_size, config.decoder_layers, num_queries, hidden_size)) — 堆叠的中间隐藏状态(解码器每层的输出)。

  • intermediate_logits (torch.FloatTensor,形状为 (batch_size, config.decoder_layers, sequence_length, config.num_labels)) — 堆叠的中间 logits(解码器每一层的 logits)。

  • intermediate_reference_points (torch.FloatTensor, 形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间参考点(解码器每层的参考点)。

  • intermediate_predicted_corners (torch.FloatTensor,形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间预测角点(解码器每一层的预测角点)。

  • initial_reference_points (torch.FloatTensor,形状为 (batch_size, num_queries, 4)) — 用于第一个解码器层的初始参考点。

  • decoder_hidden_states (tuple[torch.FloatTensor], optional, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出(如果模型有嵌入层),再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    解码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • decoder_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。

  • cross_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。

  • encoder_last_hidden_state (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size), optional, 默认为 None) — 模型编码器最后一层输出的隐藏状态序列。

  • encoder_hidden_states (tuple[torch.FloatTensor], optional, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出(如果模型有嵌入层),再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    编码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • encoder_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。

  • init_reference_points (torch.FloatTensor, 形状为 (batch_size, num_queries, 4)) — 通过 Transformer 解码器发送的初始参考点。

  • enc_topk_logits (torch.FloatTensor,形状为 (batch_size, sequence_length, config.num_labels)) — 预测的边界框分数,其中得分最高的 config.two_stage_num_proposals 个边界框被选为编码器阶段的区域提议。边界框二元分类(即前景和背景)的输出。

  • enc_topk_bboxes (torch.FloatTensor,形状为 (batch_size, sequence_length, 4)) — 编码器阶段预测的边界框坐标的 logits。

  • enc_outputs_class (torch.FloatTensor,形状为 (batch_size, sequence_length, config.num_labels), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 预测的边界框分数,其中得分最高的 config.two_stage_num_proposals 个边界框被选为第一阶段的区域提议。边界框二元分类(即前景和背景)的输出。

  • enc_outputs_coord_logits (torch.FloatTensor,形状为 (batch_size, sequence_length, 4), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 第一阶段预测的边界框坐标的 logits。

  • denoising_meta_values (dict可选,默认为 None) — 用于去噪相关值的额外字典。

RTDetrV2Model 的 forward 方法重写了 __call__ 特殊方法。

虽然前向传播的逻辑需要在此函数中定义,但之后应调用 Module 实例而不是这个函数,因为前者会处理前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, RTDetrV2Model
>>> from PIL import Image
>>> import requests

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2Model.from_pretrained("PekingU/RTDetrV2_r50vd")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]

RTDetrV2ForObjectDetection

class transformers.RTDetrV2ForObjectDetection

< >

( config: RTDetrV2Config )

参数

  • config (RTDetrV2Config) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

RT-DETR 模型(由主干网络和编码器-解码器组成),输出边界框和 logits,以便进一步解码为分数和类别。

此模型继承自 PreTrainedModel。请查看超类的文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、修剪头部等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[list[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **loss_kwargs ) transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息,请参见 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 来处理图像)。
  • pixel_mask (torch.LongTensor,形状为 (batch_size, height, width), optional) — 用于避免对填充像素值执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示真实的像素(即 未被遮盖),
    • 0 表示填充的像素(即 被遮盖)。

    什么是注意力掩码?

  • encoder_outputs (torch.FloatTensor, optional) — 元组,包含 (last_hidden_state, optional: hidden_states, optional: attentions)。last_hidden_state 的形状为 (batch_size, sequence_length, hidden_size)optional) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。
  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size), optional) — 可选地,你可以选择直接传递图像的扁平化表示,而不是传递扁平化的特征图(主干网络 + 投影层的输出)。
  • decoder_inputs_embeds (torch.FloatTensor,形状为 (batch_size, num_queries, hidden_size), optional) — 可选地,你可以选择直接传递一个嵌入表示,而不是用零张量初始化查询。
  • labels (list[Dict],长度为 (batch_size,), optional) — 用于计算二分匹配损失的标签。由字典组成的列表,每个字典至少包含以下两个键:'class_labels' 和 'boxes'(分别表示批次中图像的类别标签和边界框)。类别标签本身应为长度为 (图像中边界框的数量,)torch.LongTensor,而边界框应为形状为 (图像中边界框的数量, 4)torch.FloatTensor
  • output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutputtuple(torch.FloatTensor)

一个 transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(RTDetrV2Config)和输入,包含各种元素。

  • loss (torch.FloatTensor,形状为 (1,), optional, 当提供 labels 时返回) — 总损失,是用于类别预测的负对数似然(交叉熵)和边界框损失的线性组合。后者被定义为 L1 损失和广义尺度不变 IoU 损失的线性组合。

  • loss_dict (Dict, 可选) — 包含各个损失的字典。用于日志记录。

  • logits (形状为 (batch_size, num_queries, num_classes + 1)torch.FloatTensor) — 所有查询的分类 logits(包括无对象)。

  • pred_boxes (torch.FloatTensor,形状为 (batch_size, num_queries, 4)) — 所有查询的归一化框坐标,表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 范围内归一化,相对于批次中每个单独图像的大小(不考虑可能的填充)。你可以使用 ~RTDetrV2ImageProcessor.post_process_object_detection 来检索未归一化(绝对)的边界框。

  • auxiliary_outputs (list[Dict], optional) — 可选,仅在激活辅助损失(即 config.auxiliary_loss 设置为 True)并提供标签时返回。它是一个字典列表,包含每个解码器层的上述两个键(logitspred_boxes)。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, num_queries, hidden_size)) — 模型解码器最后一层输出的隐藏状态序列。

  • intermediate_hidden_states (torch.FloatTensor, 形状为 (batch_size, config.decoder_layers, num_queries, hidden_size)) — 堆叠的中间隐藏状态(解码器每层的输出)。

  • intermediate_logits (torch.FloatTensor,形状为 (batch_size, config.decoder_layers, num_queries, config.num_labels)) — 堆叠的中间 logits(解码器每一层的 logits)。

  • intermediate_reference_points (torch.FloatTensor, 形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间参考点(解码器每层的参考点)。

  • intermediate_predicted_corners (torch.FloatTensor,形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间预测角点(解码器每一层的预测角点)。

  • initial_reference_points (torch.FloatTensor,形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的初始参考点(解码器每一层的初始参考点)。

  • decoder_hidden_states (tuple[torch.FloatTensor], optional, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出(如果模型有嵌入层),再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    解码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • decoder_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。

  • cross_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。

  • encoder_last_hidden_state (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size), optional, 默认为 None) — 模型编码器最后一层输出的隐藏状态序列。

  • encoder_hidden_states (tuple[torch.FloatTensor], optional, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出(如果模型有嵌入层),再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    编码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • encoder_attentions (tuple[torch.FloatTensor], optional, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。

  • init_reference_points (torch.FloatTensor, 形状为 (batch_size, num_queries, 4)) — 通过 Transformer 解码器发送的初始参考点。

  • enc_topk_logits (torch.FloatTensor,形状为 (batch_size, sequence_length, config.num_labels), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 编码器中预测的边界框坐标的 logits。

  • enc_topk_bboxes (torch.FloatTensor,形状为 (batch_size, sequence_length, 4), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 编码器中预测的边界框坐标的 logits。

  • enc_outputs_class (torch.FloatTensor,形状为 (batch_size, sequence_length, config.num_labels), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 预测的边界框分数,其中得分最高的 config.two_stage_num_proposals 个边界框被选为第一阶段的区域提议。边界框二元分类(即前景和背景)的输出。

  • enc_outputs_coord_logits (torch.FloatTensor,形状为 (batch_size, sequence_length, 4), optional, 当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 第一阶段预测的边界框坐标的 logits。

  • denoising_meta_values (dict,*可选*,默认为 None) — 用于去噪相关值的额外字典

RTDetrV2ForObjectDetection 的 forward 方法重写了 __call__ 特殊方法。

虽然前向传播的逻辑需要在此函数中定义,但之后应调用 Module 实例而不是这个函数,因为前者会处理前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import RTDetrV2ImageProcessor, RTDetrV2ForObjectDetection
>>> from PIL import Image
>>> import requests
>>> import torch

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = RTDetrV2ImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/RTDetrV2_r50vd")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**inputs)

>>> logits = outputs.logits
>>> list(logits.shape)
[1, 300, 80]

>>> boxes = outputs.pred_boxes
>>> list(boxes.shape)
[1, 300, 4]

>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.9, target_sizes=target_sizes)[
...     0
... ]

>>> for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
...     box = [round(i, 2) for i in box.tolist()]
...     print(
...         f"Detected {model.config.id2label[label.item()]} with confidence "
...         f"{round(score.item(), 3)} at location {box}"
...     )
Detected sofa with confidence 0.97 at location [0.14, 0.38, 640.13, 476.21]
Detected cat with confidence 0.96 at location [343.38, 24.28, 640.14, 371.5]
Detected cat with confidence 0.958 at location [13.23, 54.18, 318.98, 472.22]
Detected remote with confidence 0.951 at location [40.11, 73.44, 175.96, 118.48]
Detected remote with confidence 0.924 at location [333.73, 76.58, 369.97, 186.99]
< > 在 GitHub 上更新